原文链接：http://tecdat.cn/?p=20960

原文出处：拓端数据部落公众号

为了说明层次聚类技术和k-均值，我使用了了城市温度数据集，其中包括几个城市的月平均气温。

我们有15个城市，每月进行一次观测

boxplot(temp[,1:12],main="月平均温度")

由于方差看起来相当稳定，我们不会将这里的变量“标准化”，

> apply(月份,2,sd)

为了得到一个层次聚类分析，使用实例

hclust(dist , method = "ward")

另一种选择是使用

1. 


2. > plot(h2)

在这里，我们用主成分分析将观察结果可视化。我们这里还有一个自动选择类的数目，这里是3个。我们可以得到组的描述

或直接

cutree(cah,3)

我们也可以自己可视化这些类，

1. PCA(X,scale.unit=FALSE)

2. plot(  ind$coord[,1:2],col="white")

3. text( ind$coord[,1],acp$ind$coord[,2],

可以绘制出这些簇的中心点

> points(PT$Dim.1,PT$Dim.2,pch=19)

如果我们在这些中心周围添加Voronoi集，我们看到的是中间的点，恰好是三个区域的交点

1. vormo(PT$Dim.1,PT$Dim.2)

2. plot(V,add=TRUE)

要可视化这些区域，请使用Voronoi图，它又叫泰森多边形或Dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。

1. p=function(x,y){

2. +   which.min((PT$Dim.1-x)^2+(PT$Dim.2-y)^2)

3. image(vx,vy,z,col=c(rgb(1,0,0,.2),

实际上，这三组（和这三个区域）也是我们用k-均值算法得到的，

1. kmeans(coord[,1:2],3)

2. 


3. K-means clustering

4. with 3 clusters of sizes 3, 7, 5

由于我们有一些空间数据，我们可以在地图上把它们可视化

points(Long,Lati,col=groups.3)

或者，为了可视化这些区域，使用

1. for(i in 1:3)

2. + Ellipse( Long[groups.3==i],

最受欢迎的见解

1.R语言k-Shape算法股票价格时间序列聚类

2.R语言中不同类型的聚类方法比较

3.R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归

4.r语言鸢尾花iris数据集的层次聚类

5.Python Monte Carlo K-Means聚类实战

6.用R进行网站评论文本挖掘聚类

7.用于NLP的Python：使用Keras的多标签文本LSTM神经网络

8.R语言对MNIST数据集分析 探索手写数字分类数据

9.R语言基于Keras的小数据集深度学习图像分类